Wie können Teams glaubwürdige neue Erkenntnisse gewinnen, wenn sie Daten analysieren, die für andere Zwecke erhoben wurden?

Host: Willkommen zu einer neuen Ausgabe von A.I.S. Insights — powered by Living Knowledge. Mein Name ist Anna Ivy Summers. Heute sprechen wir über die Nachnutzung von Daten und wie daraus belastbare Ergebnisse entstehen. Wir betrachten dazu eine Studie von Tim Kilgus, die auf der International Conference on Information Systems 2026 veröffentlicht wurde, mit dem Titel: „Autorisierungsarbeit: Der Fall der Nachnutzung klinischer Studiendaten“. Bei mir ist unser Experte Alex Ian Sutherland. Alex, worum geht es in dieser Studie im Kern?

Expert: Hallo Anna. Die Studie untersucht, wie Forschende Daten aus klinischen Studien nachnutzen, die über Plattformen wie Vivli geteilt werden. Im Mittelpunkt steht die Frage, wie Nutzende aus Daten, die von ihrem ursprünglichen Entstehungskontext getrennt wurden, belastbare und fachlich anerkannte Aussagen ableiten können.

Host: Das berührt ein grundlegendes Problem. Viele Organisationen investieren in Datenplattformen, um Datenbestände zugänglich zu machen. Warum reicht dieser Zugang allein oft nicht aus?

Expert: Wenn Daten über Plattformen geteilt werden, verlieren sie die direkte Anbindung an ihren ursprünglichen Erhebungskontext, an die spezifischen Protokolle und die regulatorische Aufsicht, die ihnen ursprünglich Glaubwürdigkeit verliehen haben. Eine standardisierte technische Aufbereitung kann Datensätze zwar für neue Analysen formatieren, sie löst jedoch nicht das Problem, wie Nutzende die neuen Ergebnisse gegenüber externen Gutachtern oder Stakeholdern vertretbar machen.

Host: Wie wurde dieses Phänomen in der Studie methodisch untersucht?

Expert: Es handelt sich um eine qualitative Fallstudie. Die Datenbasis umfasst 31 leitfadengestützte Interviews mit Datennutzenden, umfangreiche Archivunterlagen sowie hunderte Forschungsanträge und Publikationen rund um die Plattform Vivli. Auf dieser Grundlage analysiert die Studie detailliert die Vorgehensweisen der Nutzenden.

Host: Was sind die zentralen Ergebnisse dieser Untersuchung?

Expert: Der Kernbefund ist das Konzept der Autorisierungsarbeit. Das ist der Aufwand, den Datennutzende betreiben müssen, um ihren Sekundärergebnissen Glaubwürdigkeit zu verleihen. Die Studie identifiziert drei Mechanismen: Erstens, die Verankerung. Dabei werden neue Analysen eng an die validierten Originalstudien und publizierten Basisergebnisse rückgebunden.

Host: Und welche weiteren Mechanismen beschreibt die Studie?

Expert: Der zweite Mechanismus ist die Importierung. Dabei binden Forschende externe Fachexpertise und disziplinspezifische Methodenstandards ein, um methodische Lücken zu schließen. Der dritte Mechanismus ist die Absicherung. Aussagen werden vorsichtig als hypothesengenerierend eingestuft und durch Triangulation mit unabhängigen Tests untermauert. Die Studie verdeutlicht, dass Plattformen zwar den Datenzugang skalieren können, Glaubwürdigkeit sich jedoch nicht automatisieren lässt.

Host: Warum ist das für Führungskräfte und Praktiker in Unternehmen relevant?

Expert: Unternehmen, die auf Datenmarktplätze, Datenkooperationen oder KI-Modelle auf Sekundärdatenbasis setzen, müssen verstehen, dass der Datenzugang nur der erste Schritt ist. Um verlässliche Geschäfts- oder Produktentscheidungen zu treffen, muss die beschriebene Autorisierungsarbeit aktiv eingeplant und mit Ressourcen hinterlegt werden. Datenverantwortliche sollten Kontextwissen, methodische Standards und Validierungsschritte systematisch in ihre Datenprozesse integrieren, statt sich allein auf technische Datenaufbereitung zu verlassen.

Host: Die Studie zeigt somit, dass aus geteilten Daten erst durch gezielte Kontextualisierung und methodische Absicherung belastbare Entscheidungsgrundlagen werden. Vielen Dank, Alex, für diese Einordnung.

Expert: Sehr gerne, Anna.

Host: Und vielen Dank an Sie fürs Zuhören bei A.I.S. Insights — powered by Living Knowledge. Bis zur nächsten Ausgabe!